人才是我国经济社会发展的第一资源,关键人才的流失将对企业造成极大的影响,建立适合企业本身的人才离职预测模型有着至关重要的意义。目前,随机森林算法在该领域有着广泛的应用,但在大多数企业的人才信息数据库中,离职人才与在职人才信息数量的不平衡导致了随机森林算法预测性能的不稳定;同时各个企业的人才离职因素不尽相同,而随机森林算法的节点分裂方式较为单一,不能根据不同企业人才信息的特点做出调整。针对以上问题,论文提出了一种改进的重采样算法平衡数据集,引入线性规划模型调整现有的节点分裂规则,建立了一种基于优化随机森林算法的人才离职预测模型,帮助企业更好地完成人才离职风险预测。具体工作如下:（1）针对随机森林算法在不平衡数据集上分类性能较差的问题,在SMOTE算法的基础上,提出了一种改进算法BSMOTE平衡数据集。首先采用K-means算法对少数类样本进行聚类,然后在各个簇中任取三个样本构造三角形,在三角形的重心和顶点之间生成新的少数类样本,进而使新样本向三角形重心位置拉拢,避免了样本分布边缘化,并将生成的新样本加入到原始数据集中,再利用随机森林算法进行分类。通过将BSMOTE算法与五种重采样算法进行对比实验,证明了BSMOTE算法能够有效提升随机森林算法处理不平衡数据分类问题的性能。（2）针对随机森林算法中生成决策树的节点分裂规则单一的问题,提出了改进算法LPRF优化随机森林算法的节点分裂函数,该算法将C4.5算法和CART算法的节点分裂函数进行线性组合,并引入线性规划模型来求解适合不同数据集的最优组合系数,从而自适应地更新节点分裂规则。然后,将BSMOTE算法引入到LPRF算法中,提出改进随机森林算法BSMOTE-LPRF,通过对比实验,证明了BSMOTE-LPRF算法能够更有效地处理不平衡数据的分类,同时也解决了随机森林算法不能自适应地更新分裂规则,导致预测精度不足的问题。（3）建立了基于BSMOTE-LPRF算法的人才离职预测模型,并通过多组实验确定了BSMOTE-LPRF算法的各参数值。将该模型与决策树、KNN、SVM以及传统随机森林预测模型进行对比实验,实验结果表明BSMOTE-LPRF预测模型在G-mean值、F-measure值和AUC值等性能评价指标上都优于其他模型,从而证明了BSMOTELPRF算法优化随机森林算法的有效性,以及BSMOTE-LPRF算法应用于企业人才离职风险预测中的可行性。